心理生理可计算建模理论与方法的研究

发布时间：2018-03-06 15:45

本文选题：心理生理计算　切入点：支持向量机　出处：《兰州大学》2016年博士论文　论文类型：学位论文

【摘要】：心理生理学是一门研究人体心理行为与生理反应之间关联性的重要心理学基础学科,通过将情绪活动等心理变化作为自变量,将人体各项生理反应作为因变量,提高心理学研究的可操作性和可测量性,并进一步实现从生理数据来揭示心理活动的特点和规律,最终推断出人的心理状态或精神状态。然而,心理活动和生理反应之间的对应关系往往都是复杂的一对多、多对一或多对多关系,很难直接获得理想化的一对一关系。同时,生理测量数据越来越具有“大数据”特点,使得传统的依赖于先验知识的分析方法已无法适用。因此,在生理“大数据”时代,如何从多个角度研究心理和生理间复杂的对应关系,从中找出具有可靠性、复现性、普遍性的一对一关系,就成为心理生理学研究所面临的一大难题。为此,本研究团队提出了“心理生理计算”这一新的研究概念,从工程学角度入手,通过将信息获取、计算及分析的思想与方法应用到心理生理学研究当中,分析复杂的心理生理映射关系,实现对不同心理状态更为客观、及时和准确的解释,量化评估以及推理计算,为进一步实现心理生理推理在心理及精神障碍疾病诊断方面的临床应用,解决日趋严重的心理健康问题提供一种工程化的方法。然而作为一个新的研究概念,“心理生理计算”尚缺乏较为系统的理论与研究框架。同时,心理生理测量数据存在的稳定性差、个体差异影响显著、多模态、高纬度、小样本量等特点也给发掘可靠的心理生理对应关系,实现瞬时、可靠、有效的定量感知和推理计算带来了新的挑战。本文针对“心理生理计算”中亟待解决的若干问题,从系统化研究框架构建、可靠关系发掘及预测推理算法创新等方面展开深入研究,主要工作和创新点如下:(1)“心理生理计算”理论与研究框架:针对“心理生理计算”这一新的研究概念尚缺乏较为系统的理论与研究框架这一问题,本文首次系统化地探讨了使用“计算思维”研究心理生理学问题、从工程学角度对心理状态进行定量感知与计算的必要性,同时从概率学角度分析了“心理生理计算”环境下心理生理推理的可行性,并提出了一个初步的“心理生理计算”研究框架。该框架充分考虑到数据多模态特性、时间变化特性以及个体和环境差异性这三个维度对心理生理对应关系的影响,融合理论驱动、数据驱动的可计算建模方法,以及创新的本体上下文建模方法,为“心理生理计算”的系统化研究及临床应用提供了重要的参考价值和借鉴意义。(2)面向“心理生理计算”的规范化线性组合核函数:针对心理生理测量数据稳定性差、个体差异影响显著、小样本量等特点,本文研究了多核学习理论,通过规范化一阶多项式核函数,再基于其规范化形式构造无穷递降等比数列,利用该数列的求和收敛性得到一种新的支持向量机(SVM)规范化线性组合核函数(Normalized Linear Combination Kernel,NLC)。理论分析可以看出,NLC核函数所具有的融合性、无参性和数据自适应性可以在一定程度上缓解心理生理测量数据稳定性差、个体差异影响显著、小样本量所带来的影响,帮助模型学习到数据样本更深层次的隐含信息,在降低模型选择及参数优化时间复杂度的同时,带来较好的分类预测及泛化能力。实验测试结果表明,NLC核函数在脑电信号、结构磁共振成像等不同类型的心理生理测量数据上,均能达到甚至超过多参网格寻优后的多项式和高斯核函数的分类预测性能,而其无参数的特点则使得分类预测时间效率的提升非常显著,从而为实现更为瞬时、可靠、有效的心理生理推理打下了基础。(3)面向“心理生理计算”的多任务特征选择方法:针对心理生理测量数据普遍存在的高维小样本特点,本文通过研究多任务学习理论提出了一种全新的特征选择方法。考虑到“心理生理计算”研究尚没有用于验证心理生理推理有效性的金标准,其有效性判定通常是基于心理生理推理结论与其他类型验证方法所得结论的一致性,新方法采用多任务联合分类及回归模型,在高维生理数据特征选择时,通过引入多类型验证方法之间存在的关联性和一致性作为辅助,增加特征选择时的参考信息,从而选择出差异性更大、判别能力更强、无冗余,并且使不同类型验证方法的结论一致收敛的特征子集,获得更为可靠的心理生理对应关系,进一步提升心理生理推理的有效性和准确性。实验测试结果表明,与最小冗余最大相关算法、基于信息增益的特征排名算法、基于欧氏距离的特征选择算法以及基于最近邻算法分类性能的特征选择算法相比,在使用新方法优选出的数据特征集合上可以获得更好的预测和诊断效果,并且优选出的主要特征与已有生理学或病理学研究成果均保持高度的一致性。
[Abstract]:......
【学位授予单位】：兰州大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：B84-05;TP18

【相似文献】